崔羚:乳品行业后道包装及物流解决方案

70 篇文章 49 订阅
15 篇文章 7 订阅

近期,由《物流技术与应用》杂志主办的“2021全球制造业供应链与物流技术研讨会”在苏州隆重举办。大会以“融合 赋能 智链未来”为主题,邀请来自制造和物流行业的专家,以及国际领先汽车零部件生产企业、世界工业集团百强企业、国际知名系统集成商、软件信息化企业、国内知名汽车生产企业的代表齐聚一堂,精彩分享智能制造中物流技术的创新与应用,深入探讨制造行业供应链与物流系统建设,共同展望面向制造行业的智慧供应链与物流发展。

为了进一步深化 “融合 赋能 智链未来”这一会议主题,大会特别设立“离散制造业物流”、“连续制造业物流”、“重载物流”三场分论坛,从多个角度诠释制造行业供应链与物流系统建设的现状与未来。在“连续制造业物流”分论坛上,上海昱庄物流科技有限公司总经理崔羚以《乳品行业后道包装及物流解决方案》为主题做了精彩演讲,阐述了智能制造与仓储物流的变革理念,分析了变革带来的机遇与挑战,并分享了上海昱庄物流科技有限公司在乳品行业后道包装及物流变革方面的实践与探索,引起与会者的高度关注。

图片

上海昱庄物流科技有限公司总经理崔羚

一、关于昱庄

“昱”是明天的意思,“庄”是村庄,“昱庄”就是明天的村庄。我们主要围绕食品安全与智能制造,为客户提供“从设计到运营,从硬件到软件,从技术到管理”的全面技术支持服务。

昱庄主要服务的板块有:一是工程技术解决方案(设计业务),为奶粉厂做建筑园区的设计;二是对工程技术解决方案也有很深的了解,主要体现为生产型的设备、生产工艺技术支持的服务;三是生产完以后的个性化包装方案和自动化仓储物流解决方案;四是智能制造里面包含的信息化和智能物流;五是产品的原料、添加剂进入市场和生产环境都需要检测,我们提供实验室的解决方案;六是对乳品行业,我们提供管理和技术服务。

上海昱庄的突出特点包括:

1.昱庄是食品行业唯一“全产业链整体解决方案”供应商,包括前端的园区设计到消费环节整套的设备、工艺、方案的提供。

2.昱庄是唯一具有三项甲级设计资质(轻工类的设计,烟草、发酵类专业的资质,轻工轻防类的甲级资质)的乳业工程公司。另外,还获得美国的3A认证和欧洲的CE认证,还有北美乳品的CSA和ESA认证。

3.昱庄是唯一可向乳业客户提供成熟管理咨询业务的公司。

昱庄在乳品行业深耕了十五年时间。除了服务国内的客户,昱庄也在积极向国外拓展。整个世界的版图上,我们的业务涉及到了欧洲、北美和澳大利亚,这些客户基本都和乳业和食品相关,包括澳大利亚的乳业公园有限公司,加拿大的皇家乳业,西班牙提供乳浆的企业,韩国的巧克力企业、新西兰的MATAURA等。

在国内的分布也比较多。我们总部在黑龙江,现在搬到北京,河北、西安和广州都有我们的分支机构。下面是我们做的几个典型案例:

1.伊利的杜尔伯特项目。该工厂是当时亚洲最大的婴幼儿奶粉厂,经过二期扩建年产量达5万吨,整体产量按照一个婴儿一天喝500克,它供800万婴儿一年奶粉的量,这是非常大的生产量,我们主要提供规划方案。

2.飞鹤乳业已经超越雀巢成为全世界第三大婴幼儿奶粉提供商(第一是雅培,第二是惠氏)。疫情期间,国内绝大部分新生儿奶粉因为无法通过代购,并很难从国外进口奶源进行生产。这给了飞鹤迅速发展的机会,它整体增长达65%左右。

3.汤臣倍健项目。这家保健品公司有它自己的特性,希望将它所有的生产环节、物流以及包装展示给消费者看,让消费者更加信任这样的产品。这一过程中,昱庄在各个阶段都为汤臣倍健提供智能制造的方案,以及定制化的产品。我们最后还和它签订了智能工厂泛平台合作的项目。

二、行业变革

随着中国经济的发展,老百姓消费的理念和层级也逐步有了提升。我们知道,2021年食品深加工行业的体量已经达到了8万亿产值,这是一个非常巨大的产值,也是国民经济的支柱性产业。从中国建国到现在,行业科技的发展已经把原来的食品加工工艺和流程都颠覆了,所以说更需要对食品加工行业整体的工艺进行变革。

1、智能制造与仓储的变革

存在了很长时间的大型食品加工企业,在这一时代都会遇到这样一些问题:

(1)食品加工业和连续制造业处理量大。一个奶粉厂一年的生产总量是3-5万吨,每天是100-120吨,一罐奶粉15克,就要做到15万桶的量。这对工人来说是非常重的负荷,劳动强度非常大,人力成本高。

(2)工人劳动不规范。中国的奶粉标准是全世界最高的。自从出了三聚氰氨事件以后,奶粉行业标准等同于药品的GMP标准,除了对环境、清洁度和工厂布局有严格要求,对各个流程的数据监控都有非常高的要求。工人劳动的不规范,特别容易造成生产环节中的二次污染。

(3)信息录入。传统的企业都是人工为主,缺少生产环节中的采集。这样的情况容易造成原料、配料混比,出库易出错,轻的话造成一些损失,如果重的话可能会造成整个食品的安全。

(4)订单跟踪。食品行业的订单一般都是到经销商,现在也有消费者产生的。这些订单都在销售部门和市场部门手里。虽然有了订单,但每个环节上的信息是无法和订单匹配的,需要像查字典一样查找,费时费力的。

(5)最后就是信息关联。上下游之间包括生产商、经销商、消费者,他们的信息是不互通的,无法查询产品信息,原料从哪里来,辅料配料怎么样都不知道。这都造成食品在消费者心目中的信誉越来越低,销量越来越少。所以技术是红利,变革势在必行。

为了做这些事情,必须实现从原材料、生产工艺、智能包装、实验室检测、智能化仓储流通、ERP、生产技术的集成,对企业进行综合管理,持续降本增效,绝对质量控制。从生产端到营销端,要做到信息化全程追溯,以智能化构建企业和消费者的生态链,通过长期质量保证,与消费者充分互动,赢得消费者信任。

如何做到上述几个方面?一是建立全生产质量的管控系统;二是全面系统地控制生产、流通、销售全过程质量;三是全产业链技术支持平台。这三块离不开厂内物流、消费物流和信息化。

要达到以上要求,我们提出了各个环节中的解决方案:

(一)生产制造环节要做到全过程监控,产业链追溯,智能化生产,尽量减少人对产品的接触,那么它的误操作就会减少很多,二次污染就比较少。

(二)我们要保障订单的生产。仓储环节的监控,主要是在入库、补货、拣选和分拨几个环节,而不是进行全流程的监控。订单的量并不是均衡的,也可能有高有低,整体自动化设备和系统建设要和峰谷值进行匹配。

(三)个性化包装。每个客户都有不同的需求。如我们买奶粉,我一次性要买一桶5公斤的,有的人喜欢买10桶0.5公斤的,所以个性化也是系统上要做到的。

(四)云端支持,除了中央仓储还有云仓,以及我们所说的化整为零的仓库支持,我们提供的服务里面要有一键式查询。运输链实时反馈,希望知道整个实时运输的链条上,具体这个物品在哪里,然后是用户体验的收集。如果这块能够做好,对企业本身产品的更新换代或者是工艺的变更以及它的升级优化有重要意义。

三、机遇与挑战

机遇就是新技术、新应用快速迭代,每年都有新的产品推出,支撑我们物流自动化的装备。数字化、一体化、智能化成为未来发展的主流。我们智能制造的集成商和装备的提供商有非常多的机会。

有机遇也有挑战:

行业竞争区域在逐步扩大化。像我们做饮料食品行业的集成商,现在面临着做商业物流系统集成商的巨大挑战。大家都知道,这是一个不对等的状态,饮料食品企业对物流系统集成行业并不了解,但是可以通过其他方面的手段进入竞争领域。然后资本的涌入造成价格战升级,这对于最终用户来说是好事,但是也未必是好事,对于我们这种有自己的研发、会不断地想在经营当中为客户提供优质服务的公司来说,价格上是不利的,然后服务质量要求明显提升。

我们除了要做以上的工作外,前期的规划设计、售后服务这些服务都要有相应的提升。在各个环节上,包括它的信息采集、零部件设备的耐用性等要求都要有明显提升的。这是在行业变革的时代,我们所碰到的机遇和挑战。

面对挑战,我们能够做什么?现在我们都在着力建设一个金字塔型结构,从基础设施层到智能装备层、智能产线层、智能车间和工厂管控,覆盖所有的软硬件和最上层的管理设计,如果把这些东西都做好的话,我们就可以在整个浪潮中立于不败之地。

另外,软件是非常非常重要的一环。从2015年到2021年,中国IT领域的从业人员增加了近10倍。在2015年IT从业人员不到100万,2020年统计数据,中国的IT从业人员超过了700万。要实现整个物流的智能化、自动化和信息化,不能缺少软件在追溯管理、生产管理、实验室管理、自动控制、智能仓储、精准营销、能源管理和运输链管理中的作用,有的需要部分,有的需要全部。

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值